隐私保护的微聚集算法研究

论文摘要

在现代信息社会中,网络的快速发展使得越来越多的数据实现了共享,其中很多数据含有用户的隐私信息。信息的增长为人们的工作和生活提供了便利,也对个人隐私造成了威胁。在数据发布的过程中,常常会出现用户隐私信息泄露的问题,隐私保护已成为一个重要的研究领域。k-匿名是保护隐私信息的重要方法,它能够简单有效地对发布数据进行隐私保护。近几年,很多学者又将微聚集方法与k-匿名技术相结合,以达到更好的匿名效果。本文主要针对隐私保护中的微聚集方法进行研究,具体工作如下:（1）研究了隐私保护的相关技术,重点分析了k-匿名模型和l-多样性模型,通过对各种k-匿名算法的比较,明确了各算法的优缺点,并对算法的不足之处提出了改进。（2）对隐私保护中的微聚集方法进行了深入研究,总结了微聚集匿名技术的发展动态,分析了微聚集算法的评估模型。针对现有微聚集算法在处理大样本数据集时耗时长、效率低的问题,提出了改进方法。通过引入分治法思想,对大数据集进行聚类预处理,能够缩短算法执行时间,提高算法运行效率。（3）分析了初始聚类对数据集敏感属性分布的影响,针对现有微聚集算法在处理敏感属性多样性问题时的不足,本文在聚类基础上提出了一种MKL算法。该算法在初始聚类的过程中按比例划分,然后再对各个子数据集进行l-多样性处理,从而使得匿名数据既能满足可用性,又不会造成过高的信息损失。最后对算法中m值的取定给出了有效评估方法。（4）利用加利福尼亚大学机器学习中心的Adult数据库对算法进行了相关实验,并对实验结果进行了分析。通过比较算法的执行时间、信息损失度及隐私泄露风险,对算法性能作了评估。实验结果表明, MKL算法不仅能够提高运行效率,而且在聚类中实现了l-多样性,使数据的安全性得到了提高。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 研究背景及意义
• 1.1.1 隐私保护概述
• 1.1.2 隐私保护的重要性
• 1.2 研究现状
• 1.3 研究内容
• 1.4 论文组织结构
• 2 隐私保护相关技术
• 2.1 隐私泄露
• 2.2 传统隐私保护技术
• 2.3 数据发布隐私保护技术
• 2.3.1 随机过程扰动技术
• 2.3.2 匿名隐私保护技术
• 2.4 K-匿名技术
• 2.4.1 基本概念
• 2.4.2 k-匿名介绍
• 2.4.3 l-多样性模型
• 2.4.4 k-匿名扩展研究
• 2.4.5 k-匿名实现方法
• 2.5 K-匿名评估标准
• 2.5.1 信息损失评估标准
• 2.5.2 泄露风险评估标准
• 2.6 本章小结
• 3 K-匿名算法研究与改进
• 3.1 基于泛化和隐匿的算法
• 3.1.1 全域泛化算法
• 3.1.2 局域泛化算法
• 3.2 聚类算法
• 3.3 微聚集算法
• 3.4 本章小结
• 4 基于二次聚类的 MKL 算法
• 4.1 微聚集算法不足
• 4.2 算法改进
• 4.3 MKL 算法描述
• 4.4 时间分析
• 4.5 算法度量标准
• 4.6 本章小结
• 5 实验结果与分析
• 5.1 实验环境与数据结构
• 5.2 实验分析
• 5.2.1 时间对比
• 5.2.2 信息损失对比
• 5.2.3 泄露风险对比
• 5.2.4 M 值分析
• 5.3 本章小结
• 6 总结及展望
• 6.1 工作总结
• 6.2 未来研究展望
• 致谢
• 参考文献
• 附录
• A 作者在攻读学位期间发表的论文目录